从Unicode字符中删除变音符（criticalñṅṇṋṉȵȵ）

我正在研究一种算法，该算法可以在带有变音符号的字符（tilde，circumflex，caret，umlaut，caron）及其“简单”字符之间进行映射。

例如：

ń  ǹ  ň  ñ  ṅ  ņ  ṇ  ṋ  ṉ  ̈  ɲ  ƞ ᶇ ɳ ȵ  --> n
á --> a
ä --> a
ấ --> a
ṏ --> o

等等。

1. 我想用Java做到这一点，尽管我怀疑它应该是Unicode-y，并且应该可以轻松地以任何语言进行操作。

2. 目的：允许轻松搜索带有变音符号的单词。例如，如果我有一个网球运动员数据库，并且输入了Björn_Borg，我还将保留Bjorn_Borg，这样，如果有人进入Bjorn而不是Björn，我就可以找到它。

我最近在Java中完成了此操作：

public static final Pattern DIACRITICS_AND_FRIENDS
    = Pattern.compile("[\\p{InCombiningDiacriticalMarks}\\p{IsLm}\\p{IsSk}]+");

private static String stripDiacritics(String str) {
    str = Normalizer.normalize(str, Normalizer.Form.NFD);
    str = DIACRITICS_AND_FRIENDS.matcher(str).replaceAll("");
    return str;
}

这将按照您指定的方式进行：

stripDiacritics("Björn")  = Bjorn

但是它会失败，例如Białystok，因为 ł角色。

如果要使用功能强大的字符串简化程序，则需要进行第二轮清理，以查找一些不是变音符号的特殊字符。是这张地图，我包括了出现在我们客户名称中的最常见的特殊字符。它不是一个完整的列表，但是会为您提供扩展方法的想法。immutableMap只是google-collections中的一个简单类。

public class StringSimplifier {
    public static final char DEFAULT_REPLACE_CHAR = '-';
    public static final String DEFAULT_REPLACE = String.valueOf(DEFAULT_REPLACE_CHAR);
    private static final ImmutableMap<String, String> NONDIACRITICS = ImmutableMap.<String, String>builder()

        //Remove crap strings with no sematics
        .put(".", "")
        .put("\"", "")
        .put("'", "")

        //Keep relevant characters as seperation
        .put(" ", DEFAULT_REPLACE)
        .put("]", DEFAULT_REPLACE)
        .put("[", DEFAULT_REPLACE)
        .put(")", DEFAULT_REPLACE)
        .put("(", DEFAULT_REPLACE)
        .put("=", DEFAULT_REPLACE)
        .put("!", DEFAULT_REPLACE)
        .put("/", DEFAULT_REPLACE)
        .put("\\", DEFAULT_REPLACE)
        .put("&", DEFAULT_REPLACE)
        .put(",", DEFAULT_REPLACE)
        .put("?", DEFAULT_REPLACE)
        .put("°", DEFAULT_REPLACE) //Remove ?? is diacritic?
        .put("|", DEFAULT_REPLACE)
        .put("<", DEFAULT_REPLACE)
        .put(">", DEFAULT_REPLACE)
        .put(";", DEFAULT_REPLACE)
        .put(":", DEFAULT_REPLACE)
        .put("_", DEFAULT_REPLACE)
        .put("#", DEFAULT_REPLACE)
        .put("~", DEFAULT_REPLACE)
        .put("+", DEFAULT_REPLACE)
        .put("*", DEFAULT_REPLACE)

        //Replace non-diacritics as their equivalent characters
        .put("\u0141", "l") // BiaLystock
        .put("\u0142", "l") // Bialystock
        .put("ß", "ss")
        .put("æ", "ae")
        .put("ø", "o")
        .put("©", "c")
        .put("\u00D0", "d") // All Ð ð from http://de.wikipedia.org/wiki/%C3%90
        .put("\u00F0", "d")
        .put("\u0110", "d")
        .put("\u0111", "d")
        .put("\u0189", "d")
        .put("\u0256", "d")
        .put("\u00DE", "th") // thorn Þ
        .put("\u00FE", "th") // thorn þ
        .build();


    public static String simplifiedString(String orig) {
        String str = orig;
        if (str == null) {
            return null;
        }
        str = stripDiacritics(str);
        str = stripNonDiacritics(str);
        if (str.length() == 0) {
            // Ugly special case to work around non-existing empty strings
            // in Oracle. Store original crapstring as simplified.
            // It would return an empty string if Oracle could store it.
            return orig;
        }
        return str.toLowerCase();
    }

    private static String stripNonDiacritics(String orig) {
        StringBuffer ret = new StringBuffer();
        String lastchar = null;
        for (int i = 0; i < orig.length(); i++) {
            String source = orig.substring(i, i + 1);
            String replace = NONDIACRITICS.get(source);
            String toReplace = replace == null ? String.valueOf(source) : replace;
            if (DEFAULT_REPLACE.equals(lastchar) && DEFAULT_REPLACE.equals(toReplace)) {
                toReplace = "";
            } else {
                lastchar = toReplace;
            }
            ret.append(toReplace);
        }
        if (ret.length() > 0 && DEFAULT_REPLACE_CHAR == ret.charAt(ret.length() - 1)) {
            ret.deleteCharAt(ret.length() - 1);
        }
        return ret.toString();
    }

    /*
    Special regular expression character ranges relevant for simplification -> see http://docstore.mik.ua/orelly/perl/prog3/ch05_04.htm
    InCombiningDiacriticalMarks: special marks that are part of "normal" ä, ö, î etc..
        IsSk: Symbol, Modifier see http://www.fileformat.info/info/unicode/category/Sk/list.htm
        IsLm: Letter, Modifier see http://www.fileformat.info/info/unicode/category/Lm/list.htm
     */
    public static final Pattern DIACRITICS_AND_FRIENDS
        = Pattern.compile("[\\p{InCombiningDiacriticalMarks}\\p{IsLm}\\p{IsSk}]+");


    private static String stripDiacritics(String str) {
        str = Normalizer.normalize(str, Normalizer.Form.NFD);
        str = DIACRITICS_AND_FRIENDS.matcher(str).replaceAll("");
        return str;
    }
}

核心java.text包旨在解决此用例（匹配字符串而无需关心变音符号，大小写等）。

配置aCollator以对PRIMARY字符差异进行排序。这样，CollationKey为每个字符串创建一个。如果所有代码都使用Java，则可以CollationKey直接使用。如果需要将键存储在数据库或其他类型的索引中，则可以将其转换为字节数组。

这些类使用Unicode标准的大小写折叠数据来确定哪些字符是等效的，并支持各种分解策略。

Collator c = Collator.getInstance();
c.setStrength(Collator.PRIMARY);
Map<CollationKey, String> dictionary = new TreeMap<CollationKey, String>();
dictionary.put(c.getCollationKey("Björn"), "Björn");
...
CollationKey query = c.getCollationKey("bjorn");
System.out.println(dictionary.get(query)); // --> "Björn"

请注意，整理器是特定于语言环境的。这是因为区域之间的“字母顺序”是不同的（甚至随着时间的流逝，西班牙语也是如此）。该Collator课程使您不必跟踪所有这些规则并保持最新。

从ver。开始，它是Apache Commons Lang的一部分。3.1。

org.apache.commons.lang3.StringUtils.stripAccents("Añ");

退货 An

您可以使用来自的Normalizer类java.text：

System.out.println(new String(Normalizer.normalize("ń ǹ ň ñ ṅ ņ ṇ ṋ", Normalizer.Form.NFKD).getBytes("ascii"), "ascii"));

但是仍然有一些工作要做，因为Java使用无法转换的Unicode字符来处理奇怪的事情（它不会忽略它们，并且不会引发异常）。但是我认为您可以以此为起点。

有一份报告草稿对Unicode网站里面有很多相关材料的人品折叠。具体请参见第4.1节。“折叠算法”。

这里是讨论和实现使用Perl进行变音标记删除。

这些现有的SO问题相关：

• 如何将UTF-8转换为美国ASCII
• 如何将变音符号更改为非变音符号

请注意，并非所有这些标记都只是某些“正常”字符上的“标记”，您可以在不更改含义的情况下将其删除。

在瑞典语中，åä和ö是真实正确的一流字符，而不是其他某些字符的“变体”。它们听起来与所有其他字符都不同，它们的分类也不同，并且它们使单词改变意思（“mätt”和“ matt”是两个不同的单词）。

Unicode具有特定的直径字符（它们是复合字符），并且可以转换字符串，以便将字符和直径分开。然后，您只需从字符串中删除小写字母，就可以基本完成了。

有关规范化，分解和等效性的更多信息，请参见Unicode主页上的Unicode标准。

但是，如何实际实现此目标取决于您正在研究的Framework / OS /。如果使用的是.NET，则可以使用String.Normalize方法接受System.Text.NormalizationForm枚举。

对我而言，最简单的方法是仅维护一个稀疏映射数组，该数组将您的Unicode代码点简单地更改为可显示的字符串。

如：

start    = 0x00C0
size     = 23
mappings = {
    "A","A","A","A","A","A","AE","C",
    "E","E","E","E","I","I","I", "I",
    "D","N","O","O","O","O","O"
}
start    = 0x00D8
size     = 6
mappings = {
    "O","U","U","U","U","Y"
}
start    = 0x00E0
size     = 23
mappings = {
    "a","a","a","a","a","a","ae","c",
    "e","e","e","e","i","i","i", "i",
    "d","n","o","o","o","o","o"
}
start    = 0x00F8
size     = 6
mappings = {
    "o","u","u","u","u","y"
}
: : :

稀疏数组的使用将使您能够高效地表示替换，即使替换替换在Unicode表中间隔较大的部分中也是如此。字符串替换将允许任意序列替换您的变音符号（例如æ字形变为ae）。

这是一个与语言无关的答案，因此，如果您要记住一种特定的语言，则将有更好的方法（尽管无论如何它们都可能会降至最低水平）。

需要考虑的事情：如果您尝试每个单词都进行一次“翻译”，那么您可能会错过一些可能的替代词。

例如，用德语，当替换“ s-set”时，某些人可能会使用“ B”，而其他人可能会使用“ ss”。或者，用“ o”或“ oe”代替变位的o。理想情况下，我想您想出的任何解决方案都应包括两者。

在Windows和.NET中，我只是使用字符串编码进行转换。这样，我避免了手动映射和编码。

尝试使用字符串编码。

如果是德语，则不希望从Umlauts（ä，ö，ü）中删除变音符号。而是用两个字母的组合（ae，oe，ue）代替。例如，Björn应该写为Bjoern（不是Bjorn）以具有正确的发音。

为此，我会有一个硬编码的映射，您可以在其中为每个特殊字符组分别定义替换规则。

供将来参考，这是一种消除重音符号的C＃扩展方法。

public static class StringExtensions
{
    public static string RemoveDiacritics(this string str)
    {
        return new string(
            str.Normalize(NormalizationForm.FormD)
                .Where(c => CharUnicodeInfo.GetUnicodeCategory(c) != 
                            UnicodeCategory.NonSpacingMark)
                .ToArray());
    }
}
static void Main()
{
    var input = "ŃŅŇ ÀÁÂÃÄÅ ŢŤţť Ĥĥ àáâãäå ńņň";
    var output = input.RemoveDiacritics();
    Debug.Assert(output == "NNN AAAAAA TTtt Hh aaaaaa nnn");
}